III. METODE PENELITIAN

Transkripsi

1 III. METODE PEELITIA 3. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS), World Bank, International Monetary Fund (IMF), Asian Development Bank (ADB), British Petroleum (BP), Energy Information Administration (EIA), dan sumber-sumber lainnya. Data-data tersebut diantaranya diperoleh dari publikasi World Development Indicator (WDI) 2, IFS CD-ROM 29, BP Statistical Review of World Energy 2, World Energy Outlook 2, International Fuel Prices 29, World Oil Outlook 2, Monthly Oil Market Report December 2, dan lain-lain. Untuk menunjang kelengkapan bahan-bahan serta sumber, penulis menggunakan literatur yang ada di beberapa perpustakaan. Jurnal-jurnal serta beberapa buku pedoman juga digunakan untuk menambah wawasan mengenai permasalahan yang sedang diteliti. Data yang dikumpulkan merupakan data panel yaitu gabungan antara data antar waktu (time series) yang merupakan data tahunan dengan periode 999 sampai 28 dan data antar ruang (cross section) meliputi yang negara-negara ASEA+3. egara-negara ASEA+3 yang dimasukkan dalam penelitian ini antara lain Indonesia, Malaysia, Singapura, Thailand, Filipina, China (Mainland), Jepang, dan Korea Selatan. Penggunaan data tahunan mempunyai keuntungan antara lain: () informasi tentang variasi dalam periode digunakan dalam estimasi (2) stabilitas parameter estimasi dari waktu ke waktu dapat diuji (3) struktur dinamis dari masalah dapat dianalisis dengan menggunakan variabel lag. Alasan pemilihan negara-negara ASEA+3 antara lain karena kondisi perekonomian negara-negara tersebut bervariasi dan terbagi menjadi negara maju dan negara berkembang. Dari sini diharapkan dapat dilihat dampak dari guncangan harga minyak dunia antar negara dengan pendapatan perkapita yang berbeda. Selain itu, alasan pemilihan negaranegara tersebut juga dikarenakan OPEC memasok minyak paling besar ke Asia dibandingkan kawasan lainnya di dunia. Asia diperkirakan akan mengalami pertumbuhan kebutuhan minyak paling tinggi di dunia. Dari proyeksi kebutuhan minyak dunia yang dilakukan OPEC, kebutuhan yang meningkat ini sebagian

2 38 besar terjadi di negara berkembang di mana dua pertiganya merupakan negara Asia. Secara umum variabel yang digunakan dalam penelitian ini dirangkum dalam Tabel 4. Tabel 4. Data dan Sumber Data yang Digunakan dalam Penelitian Variabel Satuan Sumber Data Harga Minyak Mentah Dunia (OPI) US $ per barel IFS Indeks Harga Konsumen (CPI) 25= WDI PDB Riil (GDP) International $ (PPP 25=) WDI Suku Bunga Riil (RIR) Persentase WDI Keterbukaan Perdagangan (T) Persentase WDI Pendaftaran Sekolah Menengah (EDU) Persentase WDI Data panel adalah data yang memiliki dimensi ruang dan waktu, yang merupakan gabungan antara data antar ruang (cross section) dengan data antar waktu (time series). Penggabungan data cross section dan time series dalam studi data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang tidak dapat dijawab oleh model cross section dan time series murni. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel. Keunggulan dari penggunaan data panel dalam analisis ekonometrik antara lain: (i) mampu mengontrol heterogenitas individu; (ii) memberikan informasi yang lebih banyak dan beragam, meminimalkan masalah kolinieritas (collinearity), meningkatkan jumlah derajat bebas dan lebih efisien; (iii) data panel umumnya lebih baik bila digunakan dalam studi dynamics of adjustment; (iv) data panel lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat dideteksi apabila menggunakan data cross section atau time series murni; dan (v) data panel dapat digunakan untuk mengonstruksi dan menguji model perilaku yang lebih kompleks dibandingkan data cross section atau time series murni (Baltagi, 2).

3 39 Analisis data panel juga memiliki beberapa kelemahan dan keterbatasan dalam penggunaannya khususnya apabila data panel dikumpulkan atau diperoleh dengan metode survei. Permasalahan tersebut antara lain: (i) relatif besarnya data panel karena melibatkan komponen cross section dan time series menimbulkan masalah desain survei, pengumpulan dan manajemen data, diantaranya: coverage, nonresponse, kemampuan daya ingat responden (recall), frekuensi, dan waktu wawancara; (ii) distorsi kesalahan pengamatan (measurement error) yang umumnya terjadi karena kegagalan respon, contoh: pertanyaan yang tidak jelas, ketidaktepatan informasi, dan lain-lain; (iii) masalah selektivitas, yakni: selfselectivity, nonresponse, attrition (jumlah responden yang terus berkurang pada survei lanjutan); dan (iv) cross section dependence, contoh: apabila macro panel data dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence maka dapat mengakibatkan kesimpulan-kesimpulan yang tidak tepat (missleading inference). Data panel dapat didefinisikan sebagai observasi berulang pada setiap unit cross section yang sama, yang memiliki karakteristik di mana > dan T >. Misalkan y it merupakan nilai varabel dependen untuk unit cross section ke-i pada waktu ke-t dengan i =, 2,, dan t =, 2,,T. Dan misalkan terdapat K variabel penjelas yang masing-masing diberi indeks j =, 2,,K serta dinotasikan sebagai X, yang menyatakan nilai variabel penjelas ke-j untuk unit ke-i pada waktu ke-t. Cara yang sering digunakan untuk mengorganisir data panel adalah dengan menuliskannya ke dalam bentuk matriks sebagai berikut: ; ; =... (3.) dengan ε menyatakan gangguan acak untuk unit ke-i pada waktu ke-t. Selanjutnya data tersebut disederhanakan dalam bentuk stack sebagai berikut: ; ;... (3.2)

4 4 dengan y adalah matriks berukuran T, X adalah matriks berukuran T K, dan ε adalah matriks berukuran T. Model standar data panel linier dapat diekspresikan sebagai y = X β + ε... (3.3) dengan β adalah matriks berukuran T yang diekspresikan sebagai... (3.4) 3.2 Metode Analisis Metode analisis yang digunakan adalah analisis deskriptif dan metode data panel dinamis dengan First-Difference Generalized Method of Moments (FD- GMM). Model data panel statis (Fixed Effect Model dan Random Effect Model) dan model Ordinary Least Square (OLS) digunakan untuk melihat robustness dari model. Pengolahan data menggunakan paket program software STATA., Eviews 6., dan SPSS Analisis Deskriptif Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan dan mempermudah penafsiran. Analisis deskriptif memberikan pemaparan dalam bentuk tabel, grafik, dan uji kausalitas Granger. Dalam penelitian ini, analisis deskriptif digunakan untuk memberikan gambaran mengenai perkembangan harga minyak dunia, hubungan harga minyak dunia dengan inflasi dan pertumbuhan ekonomi di negara-negara ASEA+3, serta kondisi makroekonomi dan struktur perekonomian negara-negara ASEA+3. Kondisi makroekonomi dan struktur perekonomian yang dijelaskan dalam penelitian ini meliputi inflasi, pertumbuhan ekonomi, struktur ekonomi baik menurut sektor maupun dari sisi penggunaan, serta kondisi umum negara-negara ASEA Metode Data Panel Dinamis FD-GMM (First-Difference Generalized Method of Moments) Alasan pemilihan model data panel dinamis adalah untuk mengatasi endogeneity problem di dalam model yang terjadi karena () adanya lag

5 4 dependent variable yang ikut dalam persamaan sebagai variable bebas; (2) adanya reverse causality antara variabel bebas dan terikat; (3) adanya simultaneity bias pada variabel. Ada beberapa metode yang sering digunakan untuk mengestimasi parameter model data panel statis. Metode sederhana yang sering digunakan adalah pooled estimator atau dikenal sebagai metode least square yang umumnya digunakan pada model cross section dan time series murni. Sebagaimana dibahas sebelumnya bahwa data panel memiliki jumlah observasi lebih banyak dibandingkan data cross section dan time series murni. Akibatnya, ketika data digabungkan menjadi pooled data, regresi yang dihasilkan cenderung lebih baik dibandingkan regresi yang menggunakan data cross section dan time series murni. amun, dengan mengabungkan data maka variasi atau perbedaan antara individu dan waktu tidak dapat terlihat. Hal ini tentunya kurang sesuai dengan tujuan dari digunakannya data panel. Dalam beberapa kasus, penduga yang dihasilkan melalui least square dapat menjadi bias akibat kesalahan spesifikasi data. Analisis data panel dapat digunakan pada model yang bersifat dinamis dalam kaitannya dengan analisis penyesuaian dinamis (dynamic of adjustment). Hubungan dinamis ini dicirikan oleh keberadaan lag variabel dependen di antara variabel-variabel regresor. Pada model statis dapat dibuktikan bahwa regresi panel dengan pendekatan Fixed Effect Model (FEM) dan Random Effect Model (REM) merupakan penduga yang konsisten dan efisien, namun pada kondisi ini berbeda jika diterapkan pada model data panel dinamis. Masalah yang muncul dalam mengstimasi model dinamis menggunakan OLS antara lain variabel lag dependen (Y i,t- ) adalah endogen dengan efek tetap (ν i ) yang menimbulkan bias panel dinamis. Oleh karena itu estimasi OLS pada model dasar ini akan menjadi tidak konsisten. Selain itu, pada penggunaan fixed atau random efek, variabel lag dependen (Y i,t- ) akan berkorelasi dengan error (ε it ), bahkan hal itu tetap terjadi bila kita menganggap bahwa tidak terjadi autokorelasi dalam error itu sendiri. Jika jumlah periode (T) besar, bias menjadi lebih kecil dan masalah hilang. Tetapi jika sampel kita hanya sedikit maka bias masih menjadi masalah penting. Arelano and Bond (99) mengembangkan GMM estimator untuk mengatasi masalah tersebut. Persamaan first differencing

6 42 menghilangkan efek idividu (ν i ) dan kemudian mengurangi sumber potensial dari bias. Pembuktian secara matematis mengenai inkonsistensi dan inefisiensi dari penduga FEM dan REM untuk model data panel dinamis tidak disampaikan di sini, namun secara lengkap dapat dilihat lebih lanjut dalam Verbeek (2). Arrelano dan Bond (99, dalam Baltagi, 25) menyarankan suatu pendekatan Generalized Method of Moments (GMM) untuk mengatasi masalah ini. Salah satu jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif yakni First-Difference GMM (FD-GMM). Sebagai gambaran, misalnya dari model data panel autoregresif dengan lag atau AR() tanpa mengikutsertakan variabel eksogen sebagai berikut (Baltagi, 25) : y it = δ y i,t- + u it ; δ < ; t =, 2,, T.... (3.5) dimana u it = µ i + v it, dengan µ i IID (,σ µ 2 ) dan v it IID (,σ v 2 ). Untuk memperoleh estimator δ tertentu, maka dilakukan first-difference untuk menghilangkan efek individu. yang konsisten, dimana dengan T persamaan (3.5) untuk y it y i,t- = δ (y i,t- y i,t-2 ) + (v it v i,t- ) ; t = 2, 3,, T (3.6) dimana (v it v i,t- ) mengikuti proses MA () dengan unit root. Pada persamaan (3.6) dapat dilihat bahwa secara umum y i,t-2 adalah variabel instrumen yang valid karena berkorelasi dengan (y i,t- y i,t-2 ), akan tetapi tidak berkorelasi dengan (v it v i,t- ). Prosedur instrumental variable masih belum ada untuk differenced error term pada persamaan (3.6), dimana E( v i v i ) = σ v 2 (I G) (3.7) dimana : v i = (v i3 v i2,, v it v i,t- ) dan 2 G = M 2 M M L L O L L M M 2 M 2... (3.8) adalah (T-2) (T-2), karena v i adalah MA() dengan unit root. Didefinisikan sebagai

7 43 W i = [ y ] i [ y, y ] i i 2 O [ y, L, y ] i i, T 2 (3.9) sebagai matriks instrumen. Setiap baris pada matriks W i berisi instrumen yang valid untuk setiap periode yang diberikan. Konsekuensinya, himpunan seluruh kondisi momen dapat dituliskan secara ringkas sebagai E(W i v i ) =... (3.) Dengan mengalikan ulang persamaan difference (3.6) dalam bentuk vektor dengan W i, akan diperoleh W y = W ( y - ) δ + W v (3.) Dengan prosedur GLS untuk mengestimasi persamaan (3.), maka akan diperoleh Arrelano dan Bond (99) preliminary one-step consistent estimator : δˆ = y ( ) ( ( ) ) ( ) y ( ) ( ( ) ) ( ) W W I G W W y y W W I G W W.. (3.2) Optimal GMM estimator δ dari ala Hansen (982) dalam Baltagi (25) untuk yang tak hingga dan T relatif tetap dengan hanya menggunakan moment restriction di atas menghasilkan notasi yang sama seperti (3.2) kecuali bahwa W ( I G ) W = W i G W... (3.3) i digantikan oleh i= V = Wi ( vi )( vi ) W... (3.4) i i= GMM estimator memerlukan no knowledge concerning kondisi awal atau distribusi dari v i dan u i. Untuk menjalankan metode estimasi ini, v i digantikan oleh difference residual yang diperoleh dari preliminary consistent estimator. Hasil metode estimasi ini adalah two-step Arrelano-Bond (99) GMM estimator (Baltagi, 25) : ˆ = ( ) ( ) ( ) ( ) δ 2 y W Vˆ W y ˆ y W V W y... (3.5) Sebuah estimasi yang konsisten dari asymptotic var ( δˆ 2 ) diberikan oleh bentuk pertama dalam persamaan (3.5) ( ˆ ) = ( y ) W Vˆ W ( ) Var δ 2 y... (3.6)

8 44 Kondisi δˆ dan δˆ adalah asymptotically equivalent jika adalah v 2 it IID (,σ 2 v ). Dengan cara yang sama dapat diturunkan pula jika pada persamaan (3.5) dimasukkan variabel eksogen, sehingga akan diperoleh persamaan berikut : y it = x it β +δ y i,t- + u it (3.7) Parameter persamaan (3.7) juga dapat diestimasi menggunakan generalisasi variabel instrumen atau pendekatan GMM. Berbagai asumsi dapat digunakan untuk x it, dengan demikian sekumpulan instrumen tambahan yang berbeda dapat dibangun berdasarkan asumsi tersebut. 3.3 Spesifikasi Model Berdasarkan penelitian-penelitian terdahulu maka spesifikasi model panel dinamis yang akan digunakan dalam penelitian ini mengacu pada model Aisen et al. (25 & 2) yaitu: ln Y i,t = β ln Y i,t- + λ X i,t + ν i + ε i,t.... (3.8) i =,, ; t =,, T i Dimana Y i,t merupakan variabel dependen di negara i pada periode t, X i,t adalah vektor dari faktor-faktor yang memengaruhi variabel dependen. β, λ adalah parameter dan vektor dari parameter yang diestimasi. ν i adalah efek dari individu, µ t adalah efek dari waktu, dan ε i,t adalah error. Untuk model inflasi (model ) maka variabel dependen adalah indeks harga konsumen (CPI) dan vektor X adalah variabel-variabel yang memengaruhi inflasi. Untuk model pertumbuhan ekonomi (model 2) maka variabel dependen adalah GDP dan vektor X adalah variabel-variabel yang memengaruhi pertumbuhan ekonomi. D.ln Y i,t = β D.ln Y i,t- + λ D.X i,t + Dε i,t (3.9) i =,, ; t =,, T i Dimana D adalah operator pembeda pertama (first difference operator). Penduga data panel dinamis Arelano and Bond menggunakan instrument sebagai berikut: lag dua periode atau lebih variabel dependen, lag dua periode atau lebih variabel endogen, first difference dari strictly exogenous covariates.

9 45 Berdasarkan pertimbangan dari beberapa penelitian terdahulu maka spesifikasi model pada penelitian ini direpresentasikan ke dalam dua persamaan berikut ini:. Model inflasi; pengaruh harga minyak dunia terhadap inflasi mengacu pada model Aisen dan Veiga (23) yang dimodifikasi: D.CPI it = β D.CPI i,t- + β 2 D.OPI it + β 3 D.GDP it + β 4 D.RIR it +β 5 D.T it + D.e it (3.2) Model ini menggunakan instrument variabel kontribusi sektor pertanian terhadap PDB dan variabel kontribusi sektor industri terhadap PDB. 2. Model Pertumbuhan Ekonomi; pengaruh harga minyak dunia terhadap pertumbuhan ekonomi mengacu pada model Aisen dan Veiga (2) yang dimodifikasi D.GDP it = β D.GDP i,t- + β 2 D.OPI it + β 3 D.CPI it + β 4 D.EDU it + D.e it.. (3.2) Model ini menggunakan instrument variabel investasi langsung luar negeri (foreign direct investment/fdi) dan variabel kontribusi sektor industri terhadap PDB. Keterangan: CPI = Log Indeks Harga Konsumen (25=) D = Operator pembeda pertama (first difference operator) EDU = Tingkat pendidikan (persentase) GDP = Log PDB riil (internasional $ PPP 25=) OPI = Log Harga rata-rata minyak mentah dunia (US$ per barel) RIR = Suku bunga riil (persentase) T = Perdagangan (persentase dari PDB) e = Error it = egara ke-i, tahun ke-t 3.4 Definisi Variabel Operasional Definisi operasional dari masing-masing variabel yang digunakan dalam penelitian ini antara lain:. Harga minyak mentah dunia merupakan rata-rata harga minyak mentah dunia Dubai, U.K. Brent, dan West Texas Intermediate (WTI) dalam US$. 2. Indeks Harga Konsumen (Consumer Price Index) yaitu perbandingan nilai konsumsi bulan berjalan dengan nilai konsumsi pada tahun dasar dikalikan

10 46 dengan. Pada tahun dasar IHK akan bernilai. Dalam penelitian ini tahun dasar yang digunakan adalah tahun 25. IHK dipakai untuk mengukur rata-rata perubahan harga dari suatu paket komoditas yang dikonsumsi oleh masyarakat/rumah tangga di suatu daerah dalam kurun waktu tertentu. 3. Output riil atau Produk Domestik Bruto (PDB) riil merupakan total nilai tambah bruto yang dihasilkan unit produksi yang beroperasi disuatu wilayah negara dalam jangka waktu tertentu. PDB atas harga konstan menunjukkan nilai tambah barang dan jasa tersebut yang dihitung menggunakan harga yang berlaku pada satu tahun tertentu sebagai dasar. PDB yang digunakan dalam penelitian ini sudah disesuaikan dengan paritas daya beli (PPP) menggunakan dolar internasional dengan tahun dasar 25. Berdasarkan literatur ekonomi bahwa inflasi buruk bagi pertumbuhan maka variabel ini diperlakukan sebagai variabel endogen. 4. Suku bunga riil adalah suku bunga disesuaikan dengan inflasi yang diukur dengan PDB deflator. 5. Keterbukaan perdagangan (trade openness) merupakan rasio total perdagangan (ekspor dan impor) terhadap output yang digunakan sebagai ukuran keterbukaan perdagangan. Definisi operasional dari masing-masing variabel instrument yang berasal dari World Bank (WDI) yang digunakan dalam penelitian ini antara lain:. Kontribusi sektor pertanian terhadap PDB (% PDB) mencakup kehutanan, perburuan, dan perikanan, serta budidaya tanaman dan produksi ternak. 2. Kontribusi sektor industri terhadap PDB (% PDB) mencakup divisi -45 International Standard Industrial Classification (ISIC) termasuk manufaktur terdiri dari nilai tambah di bidang pertambangan, manufaktur, konstruksi, listrik, air, dan gas. 3. Investasi langsung luar negeri (foreign direct investment/fdi) merupakan penjumlahan dari modal ekuitas, reinvestasi pendapatan lainnya, modal jangka panjang, dan modal jangka pendek seperti yang ditunjukkan dalam neraca pembayaran. Variabel ini menunjukkan arus masuk bersih (arus masuk investasi baru kurang disinvestasi) dibagi dengan PDB.